Pythonfiles

.idea/Masterprojekt-Campusnetz.iml

@@ -4,7 +4,7 @@
     <content url="file://$MODULE_DIR$">
       <excludeFolder url="file://$MODULE_DIR$/.venv" />
     </content>
-    <orderEntry type="jdk" jdkName="Python 3.14 (Masterprojekt)" jdkType="Python SDK" />
+    <orderEntry type="jdk" jdkName="Python 3.14" jdkType="Python SDK" />
     <orderEntry type="sourceFolder" forTests="false" />
   </component>
 </module>

.idea/misc.xml

@@ -3,5 +3,5 @@
   <component name="Black">
     <option name="sdkName" value="Python 3.14" />
   </component>
-  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.14 (Masterprojekt)" project-jdk-type="Python SDK" />
+  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.14" project-jdk-type="Python SDK" />
 </project>

Parameterschaetzung.py

@@ -1,26 +1,41 @@
+from typing import Dict, Any
 import sympy as sp
 
-#für Varianzkomponentenschätzung
+def ausgleichung_mit_vks_iterativ(
-MAX_ITER = 10
+    A: sp.Matrix,
-TOL = 1e-3  # 0.1%.
+    l: sp.Matrix,
+    modell: StochastischesModell,
+    max_iter: int = 10,
+    tol: float = 1e-3,
+) -> Dict[str, Any]:
+    """
+    Führt eine iterative Ausgleichung mit Varianzkomponentenschätzung durch.
 
-for loop in range(MAX_ITER):
+    Ablauf:
+      - starte mit σ0,g² aus modell.sigma0_groups (meist alle = 1.0)
+      - wiederhole:
+          * Ausgleichung
+          * VKS
+          * Aktualisierung σ0,g²
+        bis sich alle σ̂0,g² ~ 1.0 (oder max_iter erreicht).
+    """
 
-    Q_ll, P = modell.aufstellen_Qll_P()
+    history = []  # optional: Zwischenergebnisse speichern
 
-    N = A.T * P * A
+    for it in range(max_iter):
-    n_vec = A.T * P * l
+        result = ausgleichung_einmal(A, l, modell)
-    dx = N.LUsolve(n_vec)
+        history.append(result)
 
-    v = l - A * dx
+        sigma_hat = result["sigma_hat"]
 
-    sigma_hat = modell.varianzkomponenten(v, A)
+        # Prüfkriterium: alle σ̂ nahe bei 1.0?
-
+        if all(abs(val - 1.0) < tol for val in sigma_hat.values()):
-    print(f"Iteration {loop+1}, σ̂² Gruppen:", sigma_hat)
+            print(f"Konvergenz nach {it+1} Iterationen.")
-
-    # Prüfen: ist jede Komponente ≈ 1?
-    if all(abs(val - 1) < TOL for val in sigma_hat.values()):
-        print("Konvergenz erreicht ✔")
             break
 
-    modell.update_sigma(sigma_hat)
+        # sonst: Modell-σ0,g² mit VKS-Ergebnis updaten
+        modell.update_sigma0_von_vks(sigma_hat)
+
+    # letztes Ergebnis + History zurückgeben
+    result["history"] = history
+    return result

Stochastisches_Modell.py

@@ -1,6 +1,6 @@
 import sympy as sp
 from dataclasses import dataclass, field
-from typing import Dict, Tuple
+from typing import Dict, Tuple, Iterable
 
 @dataclass
 class StochastischesModell:
@@ -27,12 +27,12 @@ class StochastischesModell:
         return int(self.sigma_beob.rows)
 
 
-    def aufstellen_Qll_P(self) -> Tuple[sp.Matrix, sp.Matrix]:
+    def berechne_Qll_P(self) -> Tuple[sp.Matrix, sp.Matrix]:
         n = self.n_beob
         Q_ll = sp.zeros(n, n)
         P = sp.zeros(n, n)
 
-        for i in range(self.n):
+        for i in range(self.n_beob):
             sigma_i = self.sigma_beob[i, 0]         #σ-Wert der i-ten Beobachtung holen
             g = int(self.group_beob[i, 0])          #Gruppenzugehörigkeit der Beobachtung bestimmen
             sigma0_sq = self.sigma0_groups[g]       #Den Varianzfaktor der Gruppe holen
@@ -42,45 +42,45 @@ class StochastischesModell:
         return Q_ll, P
 
 
-    @staticmethod
+    def berechne_Qvv(self, A: sp.Matrix, Q_ll: sp.Matrix, Q_xx: sp.Matrix) -> sp.Matrix:
-    def redundanz_pro_beobachtung(A, P):
+        Q_vv = Q_ll - A * Q_xx * A.T
-        n = P.rows
+        return Q_vv                                 #Kofaktormatrix der Beobachtungsresiduen
-        sqrtP = sp.zeros(n, n)
-        for i in range(n):
-            sqrtP[i, i] = sp.sqrt(P[i, i])
 
-        A_tilde = sqrtP * A
-        M = (A_tilde.T * A_tilde).inv()
 
+    def berechne_R(self, Q_vv: sp.Matrix, P: sp.Matrix) -> sp.Matrix:
+        R = Q_vv * P
+        return R                                    #Redundanzmatrix
+
+
+    def berechne_r(self, R: sp.Matrix) -> sp.Matrix:
+        n = R.rows
         r = sp.zeros(n, 1)
         for i in range(n):
-            a_i = sp.Matrix([A_tilde.row(i)])
+            r[i, 0] = R[i, i]
-            r[i] = 1 - (a_i * M * a_i.T)[0]
+        return r                                    #Redundanzanteile
-        return r
 
 
-    def varianzkomponenten(self, v, A) -> Dict[int, float]:
+    def berechne_vks(self,v: sp.Matrix, P: sp.Matrix, r: sp.Matrix) -> Dict[int, float]:
-        _, P = self.aufstellen_Qll_P()
+        if v.rows != self.n_beob:
-        r_obs = self.redundanz_pro_beobachtung(A, P)
+            raise ValueError("v passt nicht zur Anzahl der Beobachtungen.")
-        gruppen = sorted(set(int(g) for g in self.group_beob))
+        gruppen = sorted({int(g) for g in self.group_beob})
-
+        sigma_gruppen: Dict[int, float] = {}
-        sigma_hat = {}
-
         for g in gruppen:
-            idx = [i for i in range(self.n) if int(self.group_beob[i]) == g]
+            idx = [i for i in range(self.n_beob)
+                   if int(self.group_beob[i, 0]) == g]
+            if not idx:
+                continue
 
-            v_i = sp.Matrix([v[i] for i in idx])
+            v_g = sp.Matrix([v[i, 0] for i in idx])
-
+            P_g = sp.zeros(len(idx), len(idx))
-            P_i = sp.zeros(len(idx))
+            for k, i_beob in enumerate(idx):
-            for k, j in enumerate(idx):
+                P_g[k, k] = P[i_beob, i_beob]
-                P_i[k, k] = P[j, j]
+            r_g = sum(r[i_beob, 0] for i_beob in idx)
-
+            sigma_gruppe_g = (v_g.T * P_g * v_g)[0, 0] / r_g
-            r_g = sum(r_obs[j] for j in idx)
+            sigma_gruppen[g] = float(sigma_gruppe_g)
-
+        return sigma_gruppen
-            sigma_hat[g] = float((v_i.T * P_i * v_i)[0] / r_g)
-        return sigma_hat
 
 
-    def update_sigma(self, sigma_hat_dict):
+    def update_sigma0_von_vks(self, sigma_hat: Dict[int, float]) -> None:
-        for g, val in sigma_hat_dict.items():
+        for g, val in sigma_hat.items():
-            self.sigma0_groups[g] = float(val)
+            self.sigma0_groups[int(g)] = float(val)